Se stai scrivendo il tuo codice di addestramento anziché utilizzare AutoML, esistono diversi modi per eseguire l'addestramento personalizzato da prendere in considerazione. Questo argomento fornisce una breve panoramica e un confronto dei diversi modi per eseguire l'addestramento personalizzato.
Risorse di addestramento personalizzato su Vertex AI
Puoi creare tre tipi di risorse Vertex AI per addestrare modelli personalizzati su Vertex AI:
Quando crei un job personalizzato, specifichi le impostazioni necessarie a Vertex AI per eseguire il codice di addestramento, tra cui:
- Un pool di worker per la formazione a nodo singolo (
WorkerPoolSpec) o più pool di worker per la formazione distribuita - Impostazioni facoltative per la configurazione della pianificazione dei job (
Scheduling), impostazione di determinate variabili di ambiente per il codice di addestramento, utilizzo di un account di servizio personalizzato e utilizzo del peering di rete VPC
All'interno dei pool di worker, puoi specificare le seguenti impostazioni:
- Tipi di macchine e acceleratori
- Configurazione del tipo di codice di addestramento eseguito dal pool di worker: un'applicazione di addestramento Python (
PythonPackageSpec) o un container personalizzato (ContainerSpec).
I job di ottimizzazione degli iperparametri hanno impostazioni aggiuntive da configurare, come la metrica. Scopri di più sull'ottimizzazione degli iperparametri.
Una pipeline di addestramento orchestra i job di addestramento personalizzato o i job di ottimizzazione degli iperparametri con passaggi aggiuntivi, come il caricamento di un set di dati o il caricamento del modello su Vertex AI dopo che il job di addestramento è stato completato correttamente.
Risorse di addestramento personalizzato
Per visualizzare le pipeline di addestramento esistenti nel tuo progetto, vai alla pagina Training Pipelines nella sezione Vertex AI di Google Cloud Console.
Vai a Pipeline di addestramento
Per visualizzare i job personalizzati esistenti nel tuo progetto, vai alla pagina Job personalizzati.
Per visualizzare i job di ottimizzazione degli iperparametri esistenti nel tuo progetto, vai alla pagina Ottimizzazione degli iperparametri.
Vai a Ottimizzare gli iperparametri
Container predefiniti e personalizzati
Prima di inviare un job di addestramento personalizzato, un job di ottimizzazione degli iperparametri o una pipeline di addestramento a Vertex AI, devi creare un'applicazione di addestramento Python o un contenitore personalizzato per definire il codice di addestramento e le dipendenze che vuoi eseguire su Vertex AI. Se crei un'applicazione di addestramento Python utilizzando TensorFlow, scikit-learn o XGBoost, puoi utilizzare i nostri container predefiniti per eseguire il tuo codice. Se non sai con certezza quali di queste opzioni scegliere, consulta i requisiti del codice di addestramento per saperne di più.
Addestramento distribuito
Puoi configurare un job di addestramento personalizzato, un job di ottimizzazione degli iperparametri o una pipeline di addestramento per l'addestramento distribuito specificando più pool di worker:
- Utilizza il primo pool di worker per configurare la replica principale e imposta il numero di repliche su 1.
- Aggiungi altri pool di worker per configurare le repliche dei worker, le repliche dei server dei parametri o le repliche dei valutatori, se il tuo framework di machine learning supporta queste attività cluster aggiuntive per l'addestramento distribuito.
Scopri di più sull'utilizzo dell'addestramento distribuito.
Passaggi successivi
- Consulta l'articolo su come creare job di addestramento personalizzato per scoprire come creare job di addestramento personalizzato per eseguire applicazioni di addestramento personalizzato su Vertex AI.
- Consulta Creare pipeline di addestramento per scoprire come creare pipeline di addestramento per eseguire applicazioni di addestramento personalizzato su Vertex AI.
- Consulta la sezione Utilizzo dell'ottimizzazione degli iperparametri per ulteriori informazioni sulle ricerche di ottimizzazione degli iperparametri.